本发明专利技术涉及通信中信号处理领域，特别涉及一种基于遗传算法与神经网络混合智能算法的硬判决译码方法，即遗传神经网络译码(Genetic Neural-network Decoding，GND)方法。该方法充分利用遗传算法的自优化能力和神经网络的模式分类功能对接收匹配滤波器的硬判决量化输出进行优化处理，以弥补因信道传输误差和硬判决量化给译码带来的可靠性损失，从而恢复出一个与传输序列更似然的码字作为硬判决译码器的输入以得到一个更好的译码结果。从理论分析和计算机模拟仿真可看出，该GND译码方法纠错性能接近传统软判决译码，又由于译码过程不需要利用信道统计软信息，其复杂度相对传统软判决译码大幅度降低。
【技术实现步骤摘要】
一种基于遗传算法与神经网络的硬判决译码方法
本专利技术涉及通信中信号处理领域，特别涉及硬判决译码方法，该方法是基于遗传算法(GeneticAlgorithm，GA)与神经网络(NeuralNetwork，NN)实现。
技术介绍
目前，纠错码技术已经成为了实现及时可靠通信的不可或缺的手段和方法。然而，纠错码的软判决译码技术却一直存在适用范围小、计算复杂度高等问题，难以在现有的技术条件下、在比较合理的有限时间内得到良好的解决。除此之外，一般的译码算法都是串行处理，仅适合于低、中速的数字通信系统。目前数字通信和信息存储系统正朝着高速度、高带宽、高可靠性方向发展，对纠错码提出了新的要求，译码问题俨然已成为纠错码发展的一大瓶颈。Berlekamp等人已证明了一般纠错码的译码问题是一类NP(Non-deterministicPolynomial)复杂问题，可等价为组合优化问题处理。智能算法(IntelligentAlgorithm,IA)作为一种通过模仿自然世界的内在自适应优化机制获取解决复杂组合优化问题的信息处理技术被引入到了纠错码技术中。利用智能算法的自适应优化以及快速并行处理等机理解决纠错码译码技术所面临的困难具有重要理论意义与实用价值。查阅相关文献可知，目前把GA译码算法和神经网络算法各自单独应用在纠错码中进行硬判决译码的研究比较多，但总体来说，其译码综合性能不佳，要么复杂度高，要么纠错性能不佳。这是因为对于复杂优化问题，单一机制的智能算法很难实现全局优化，且效率低。通过混合不同的智能算法来扬长避短，能有效地解决科技和工程领域中的NP难解问题。就遗传算法而言，其全局搜索能力好，但在单独使用时，很难做到收敛速度和收敛性能之间好的折衷，而智能算法中的另一种热门算法—神经网络算法收敛速度却很快，但对参数选择的苛刻。因此，若将二者有机结合应用到译码算法中，将可以扬长弊端，取得较好求解结果。
技术实现思路
为了降低传统软判决译码的复杂性，同时提高了译码速度，本专利技术提供一种基于遗传算法与神经网络的硬判决译码方法，以弥补因信道传输误差和硬判决量化给译码带来的可靠性损失，从而恢复出一个与传输序列更似然的码字作为硬判决译码器的输入以得到一个更好的译码结果，提高其纠错性。本专利技术是一种混合智能译码方法，可以称为遗传神经网络译码(GeneticNeural-networkDecoding，GND)方法，其方法包括以下步骤：(1)训练神经网络：(1.1)接收实数符号序列r(r1,r2,r3,…)经过解调器匹配滤波器量化后得到硬判决序列R；(1.2)由解调器匹配滤波器量化后得到的硬判决序列R分别与随机生成dh/2个n维二进制序列T经过模2加之后产生dh/2个候选序列A；(1.3)训练神经网络：神经网络作为一个分类器由三层网络构成，即输入层，隐含层和输出层，输入层由个n-k神经元组成，输出层有1个神经元，隐含层包括(2/3)(n-k+t+1)个神经元，其中k为码的信息位个数，t为该码的最大纠错个数；训练过程为：将校正子序列作为输入训练模式，将与其对应的错误模式的重量w作为目标输出，使之输入一个校正子便能得到与之对应的错误图样的重量w(w＝1,2,3...,n),校正子S根据遗传算法个体所代表的码字B和码的校验矩阵H得到，即S＝B·H′式(1)；(2)使用遗传算法优化得到一个与传输序列更似然的码字：(2.1)种群初始化：生成2t个n位的二进制向量作为初始种群(2.1.1)种群的第一个个体成员P1：将匹配滤波器输出的硬判决序列R(r1,r2,...,rn)设置为种群的第一个个体成员P1：00,qi≤00<i<n]]>其中，Q(q1,q2,...,qn)为接收到的未经匹配滤波器硬判决量化的实数序列；(2.1.2)种群的其他2t-1个个体成员Pi:将由随机产生的均匀二进制修正序列T(t1,t2,...,t2t-1)和硬判决序列R相加得到，即：Pi＝mod(R+T,2),2≤i≤2t，T＝rand[0,1]；(2.2)个体适应度评价：根据下式对遗传算法个体的适应度进行评价其中，λ(P,Q)为相关函数，用来计算遗传体Pi和接收实数序列Q之间的欧氏距离，个体与接收的实属序列越相似，则λ的值越大，Weight(Errorclass(Indiv.))为神经网络的输出结果，要得到penalty，需要先计算待评估遗传个体的校正子序列S，再将S输入神经网络；(2.3)自然选择：基于轮盘赌选择法或其他选择方法从初始种群中选择优秀的个体参与遗传，第i个个体被选中的概率为：(2.4)配对交叉：选中的个体将会随机进行配对，通过将自身部分元素(码元)与对方交叉产生新个体；(2.5)遗传变异：随机选择过程(2.4)中产生的新个体，对其进行变异处理，处理方法为，将个体的某位元素(码元)翻转，即由0→1或1→0；(2.6)遗传终止：遗传将在遗传世代数达到预设值时终止，此时种群中适应度最高的个体将被输出，若世代数未达到则跳转步骤(2.3)继续遗传过程。(3)将遗传算法输出的最佳序列输入硬判决纠错译码器进行译码，得到最终译码结果。从以上方法可知，本专利技术将神经网络作为对遗传算法优化性能的补充加入到遗传算法的个体适应度评估机制中，在适应度评估机制中，神经网络充当一个模式分类器的角色，它根据遗传算法个体所代表的码字与最近可用码字之间的汉明距离对遗传个体进行分类，与最近码字之间汉明距离相同的遗传个体被分为一类。这一操作利用译码标准阵中码字校正子与陪集首之间的一一对应关系，通过神经网络将输入的遗传个体的校正子序列映射为与之对应的陪集首的重量(陪集首的重量)来实现。神经网络得到的结果将作为补偿因子加入到遗传算法的评价机制中，以进一步加强遗传算法的优化性能。因此，本专利技术充分利用遗传算法的自优化能力和神经网络的模式分类功能对接收匹配滤波器的硬判决量化输出进行优化处理，以弥补因信道传输误差和硬判决量化给译码带来的可靠性损失，从而恢复出一个与传输序列更似然的码字作为硬判决译码器的输入以得到一个更好的译码结果。从理论分析和计算机模拟仿真可看出，其纠错性能接近传统软判决译码；并且其译码过程不需要利用信道统计软信息，其复杂度相对传统软判决译码大幅度降低。附图说明图1是本专利技术GND算法流程图；图2是本专利技术神经网络分类器示意图；图3是本专利技术GND译码算法性能仿真结果示意图；图4是与表2对应的GND算法与Chase2、GPD算法复杂度的图形对比分析图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术作进一步详细说明。本专利技术是一种基于遗传算法与神经网络的硬判决译码方法，以分组码(n,k)为例，其实现流程如图1所示，包括：1、训练神经网络：1)接收实数符号序列r(r1,r2,r3,…)经过解调器匹配滤波器量化后得到硬判决序列R；2)由解调器匹配滤波器量化后得到的硬判决序列R分别与随机生成dh/2本文档来自技高网...
【技术保护点】
一种基于遗传算法和神经网络混合智能算法的硬判决译码方法，其特征在于，包括以下步骤：(1)训练神经网络：(1.1)接收实数符号序列r(r1,r2,r3,…)经过解调器匹配滤波器量化后得到硬判决序列R；(1.2)由解调器匹配滤波器量化后得到的硬判决序列R分别与随机生成dh/2个n维二进制序列T经过模2加之后产生dh/2个候选序列A；(1.3)训练神经网络：神经网络的输入层由个n‑k神经元组成，输出层有1个神经元，隐含层包括(2/3)(n‑k+t+1)个神经元，其中k为码的信息位个数，t为该码的最大纠错个数；训练过程为：将校正子序列作为输入训练模式，将与其对应的错误模式的重量w作为目标输出，使之输入一个校正子便能得到与之对应的错误图样的重量w(w＝1,2,3...,n),校正子S根据遗传算法个体所代表的码字B和码的校验矩阵H得到，即S＝B·H′ 式(1)；(2)使用遗传算法优化得到一个与传输序列更似然的码字：(2.1)种群初始化：生成2t个n位的二进制向量作为初始种群(2.1.1)种群的第一个个体成员P1：将匹配滤波器输出的硬判决序列R(r1,r2,...,rn)设置为种群的第一个个体成员P1：P1=R(r1,r2,...,rn),ri=1,qi>00,qi≤00<i<n]]>其中，Q(q1,q2,...,qn)为接收到的未经匹配滤波器硬判决量化的实数序列；(2.1.2)种群的其他2t‑1个个体成员Pi:将由随机产生的均匀二进制修正序列T(t1,t2,...,t2t‑1)和硬判决序列R相加得到，即：Pi＝mod(R+T,2),2≤i≤2t，T＝rand[0,1]；(2.2)个体适应度评价：根据下式对遗传算法个体的适应度进行评价其中，λ(P,Q)为相关函数，用来计算遗传体Pi和接收实数序列Q之间的欧氏距离，个体与接收的实属序列越相似，则λ的值越大，λ(P,Q)=Σi=1npi·qi]]>Weight(Error class(Indiv.))为神经网络的输出结果，要得到penalty，需要先计算待评估遗传个体的校正子序列S，再将S输入神经网络；(2.3)自然选择：基于轮盘赌选择法或其他选择方法从初始种群中选择优秀的个体参与遗传，第i个个体被选中的概率为：p(Pi)=a(Pi)Σj=0N-1a(Pj)]]>(2.4)配对交叉：选中的个体将会随机进行配对，通过将自身部分元素(码元)与对方交叉产生新个体；(2.5)遗传变异：随机选择过程(2.4)中产生的新个体，对其进行变异处理，处理方法为，将个体的某位元素(码元)翻转，即由0→1或1→0；(2.6)遗传终止：遗传将在遗传世代数达到预设值时终止，此时种群中适应度最高的个体将被输出，若世代数未达到则跳转步骤(2.3)继续遗传过程。(3)将遗传算法输出的最佳序列输入硬判决纠错译码器进行译码，得到最终译码结果。...
【技术特征摘要】
1.一种基于遗传算法和神经网络混合智能算法的硬判决译码方法，其特征在于，包括以下步骤：(1)训练神经网络：(1.1)接收实数符号序列r(r1,r2,r3,…)经过解调器匹配滤波器量化后得到硬判决序列R；(1.2)由解调器匹配滤波器量化后得到的硬判决序列R分别与随机生成dh/2个n维二进制序列T经过模2加之后产生dh/2个候选序列A；(1.3)训练神经网络：神经网络的输入层由个n-k神经元组成，输出层有1个神经元，隐含层包括(2/3)(n-k+t+1)个神经元，其中k为码的信息位个数，t为该码的最大纠错个数；训练过程为：将校正子序列作为输入训练模式，将与其对应的错误模式的重量w作为目标输出，使之输入一个校正子便能得到与之对应的错误图样的重量w(w＝1,2,3...,n),校正子S根据遗传算法个体所代表的码字B和码的校验矩阵H得到，即S＝B·H′式(1)；(2)使用遗传算法优化得到一个与传输序列更似然的码字：(2.1)种群初始化：生成2t个n位的二进制向量作为初始种群(2.1.1)种群的第一个个体成员P1：将匹配滤波器输出的硬判决序列R(r1,r2,...,rn)设置为种群的第一个个体成员P1：其中，Q(q1,q2,...,qn)为接收到的未经匹配滤波器硬判决量化的实数序列；(2.1.2)种群的其他2t-1个个体成员Pi:将由随机产生的均匀二进制修正序列T(t1,t2,...,t2t-1)和硬判决序列R相加得到，即：Pi＝mod(R+T,2),2≤i≤2t，T＝rand[0,1]；(2.2)个体适...
【专利技术属性】
技术研发人员：袁建国，袁艳涛，杨松，叶文伟，刘飞龙，盛泉良，叶传龙，黄小峰，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;85
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。